Optimización Bayesiana de modelos de machine learning para mejorar la predicción de clientes e-learningV

• Autor: Maquera Canales, Jorge Daniel
• Formato: tesis de grado
• Fecha de Publicación: 2023
• Institución: Universidad Peruana Unión
• Repositorio: UPEU-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.upeu.edu.pe:20.500.12840/6975
• Enlace del recurso: http://repositorio.upeu.edu.pe/handle/20.500.12840/6975
• Nivel de acceso: acceso embargado
• Materia: Puntuación de clientes potenciales; E-learning; Optimización bayesiana; http://purl.org/pe-repo/ocde/ford#1.02.01

La puntuación de clientes potenciales desempeña un papel crucial en el marketing al evaluar el nivel de interés y compromiso de posibles clientes. Las técnicas de aprendizaje automático ofrecen un medio para automatizar los procesos de puntuación de clientes potenciales, permitiendo a los profesionales del marketing priorizar sus esfuerzos y asignar recursos de manera efectiva. Sin embargo, el rendimiento de los modelos de aprendizaje automático depende en gran medida de la configuración de sus hiperparámetros. Los métodos de optimización tradicionales pueden ser ineficientes y no lograr explorar eficazmente el espacio de hiperparámetros de alta dimensionalidad. En este estudio, proponemos un enfoque novedoso que utiliza la optimización bayesiana de hiperparámetros para mejorar la predicción de conversión de clientes en el ámbito del e-learning. Al aprovechar las estadísticas bayesianas y un modelo probabilístico, nuestro método explora eficientemente el espacio de hiperparámetros para identificar configuraciones óptimas que maximizan el rendimiento del modelo. Consideramos los algoritmos de aprendizaje automático Extreme Gradient Boosting, Support Vector Machine, Random Forest, Logistic Regression y Decision Tree, y comparamos los algoritmos optimizados con sus versiones base en términos de precisión, sensibilidad, puntuación F1 y el área bajo la curva característica de operación del receptor (AUC). Los resultados demostraron que los algoritmos optimizados superaron consistentemente a sus versiones base. Nuestra investigación destaca la importancia de la optimización de hiperparámetros para lograr un rendimiento óptimo del modelo de aprendizaje automático y proporciona información valiosa para los profesionales del marketing en la industria del e-learning. Al aprovechar los algoritmos optimizados, las organizaciones pueden tomar decisiones basadas en datos, maximizar las tasas de conversión y optimizar las estrategias de marketing.